Issuu on Google+

EEN NIEUWE BENADERING VAN DE CUSTOMER JOURNEY-ANALYSE

juni / 2011

1


1. introductie Eén op de drie aankopen van Nederlandse consumenten verloopt via internet. De verwachting voor de komende jaren is dat online shoppen nog verder toe zal nemen in populariteit en dat steeds meer verschillende producten online worden gekocht. Voor marketeers is het de uitdaging om de juiste doelgroep te bereiken met het daarvoor beschikbare budget. De customer journey-analyse is een populaire methode om inzicht te verkrijgen in het oriëntatie- en aankoopproces van consumenten. En ook om uit te vinden waar het marketingbudget zo efficiënt mogelijk aan kan worden uitgegeven, zodat de verkopen stijgen en de reclamekosten op lange termijn aanzienlijk verminderen. Om vast te stellen welke kanalen klanten gebruiken om online een product te vinden, zetten marketingbureaus allerlei technische instrumenten in. Maar deze analyses zijn onderworpen aan bepaalde beperkingen. Vandaar dat QUISMA op zoek is gegaan naar een alternatieve benadering. André Schimmel, Managing Director QUISMA B.V., legt in deze whitepaper uit wat de doelstellingen van de customer journey-analyse zijn en verduidelijkt de beperkingen van trackingtechnologieën. Vervolgens wordt modelling als nieuwe analysetechniek gepresenteerd.

André Schimmel Managing Director QUISMA B.V

2


2. DE GRENZEN VAN DE KLASSIEKE CUSTOMER JOURNEY-ANALYSE

De customer journey-analyse brengt de weg die de klant aflegt van het eerste contact met een product tot de uiteindelijke aankoop in kaart. De traditionele customer journey-analyses meten met tracking software (die gebruik maakt van pixels, tracking links en cookies) de ‘contactmomenten’ van een potentiële koper met de online reclame-uitingen. Bij elk contactmoment registreert het systeem een stap in de customer journey. Deze methode kent een aantal beperkingen:

Het gebruik van verschillende apparaten door één klant wordt door tracking systemen niet in kaart gebracht Met een technische tracking-oplossing laat het gebruik van verschillende apparaten zich niet in kaart brengen. De meeste consumenten hanteren vandaag de dag verschillende apparaten (mobiele telefoons, laptops, tablets, computers, enz.) om informatie over producten op internet te zoeken. Zo zoekt iemand bijvoorbeeld naar een product op een computer op zijn werk, bekijkt hij het nogmaals op een computer thuis, wint hij extra informatie in op een smartphone en koopt hij uiteindelijk het product op zijn werk computer. Deze weg kan met trackingsystemen niet getraceerd worden, omdat deze systemen alleen unieke IP-adressen kunnen onderscheiden. Voor elk apparaat wordt een ander uniek IP-adres toegeschreven aan de gebruiker. Voor het voorbeeld zou dit betekenen dat alleen de eerste en de laatste klik van het systeem geregistreerd worden en aan dezelfde gebruiker kunnen worden toegeschreven. De weg die de klant aflegt kan dus niet compleet worden getoond of getraceerd, waardoor het beeld van de customer journey vertroebelt. 3


Er wordt geen rekening gehouden met het verwijderen van cookies Een soortgelijk probleem doet zich voor bij gebruikers die regelmatig hun cookies verwijderen. Hierdoor is de route die klanten afleggen niet volledig te traceren. Alleen de activiteiten na de verwijdering worden namelijk geĂŻdentificeerd.

Externe factoren worden niet meegenomen in de berekening Externe factoren, bijvoorbeeld offline reclameactiviteiten, kunnen niet worden opgevangen door trackingsystemen. Het contact dat de gebruiker met reclame op televisie, in kranten of in tijdschriften heeft, is met online trackingsystemen niet zichtbaar.

Het gebruik van verschillende trackingsystemen door meerdere leveranciers Het komt voor dat bedrijven verschillende bureaus inzetten om hun online advertentieactiviteiten te volgen. Als aanbieder A de display- en affiliateactiviteiten volgt, terwijl de SEA- en SEO-activiteiten door aanbieder B worden gecontroleerd, dan kan iedere aanbieder slechts zijn eigen onderdeel verantwoorden. Een holistische benadering voor een optimale begroting is in dit geval niet mogelijk. Ook deze beperking creĂŤert een vertekend resultaat.

Om een oplossing te zoeken voor bedrijven die de customer journey volledig zichtbaar willen hebben, is QUISMA op zoek gegaan naar een alternatieve benadering. Modelling biedt een oplossing voor de beschreven beperkingen en zorgt voor een reĂŤel beeld van de route van de klant.

3. Modelling Bij modelling wordt de bijdrage van elk individueel kanaal op de gegenereerde verkopen berekend. Individuele paden zijn niet gesimuleerd. Het gaat om het aantonen van onderlinge relaties tussen de kanalen en het berekenen van de bijdrage van elk individueel kanaal. Deze benadering zorgt voor een optimale budgetallocatie, omdat de feitelijke verkoop in directe relatie tot alle promotionele activiteiten wordt getoond. Het grootste voordeel van deze uitgebreide analyse ten opzichte van trackingsystemen is dat ook de invloed van offline activiteiten (TV, print) en externe factoren (seizoenseffecten, concurrentieactiviteiten, markttrends, prijs, enz.) op het verkoop genererende proces meegenomen worden. Afbeelding 1 illustreert de factoren die in de modelling-benadering kunnen worden opgenomen. 4


Afbeelding 1: factoren die bij modelling kunnen worden meegenomen. BRON QUISMA

Affiliate SEO

Display

SEA

Print

Sales Price

TV

Market trends

Seasonal effects Competition

Met behulp van deze analysemethode kunnen betere strategische beslissingen worden gemaakt omdat complexe onderlinge verhoudingen aan het licht komen die niet worden geïdentificeerd met eenvoudige beschrijvende analyses. QUISMA behoort tot de eerste bureaus die modelling op online gebied aanbieden om marketing- en investeringsbeslissingen beter te plannen en te structureren. Samengevat beantwoordt het de volgende vragen:

• Hoe hoog is de return on investment van mijn online en offline • • •

marketingactiviteiten? Welke van mijn advertentiekanalen biedt het grootste groeipotentieel? Hoe wijs ik mijn advertentiebudget optimaal toe aan de verschillende advertentiekanalen? Wat is de impact van traditionele reclame op het consumentengedrag in mijn online winkel?

5


4. REGRESSIE-ANALYSE Modelling maakt gebruik van een lineaire regressie-analyse; één van de meest gebruikte multivariate analysemethoden. De methodiek onderzoekt de relatie tussen één afhankelijke variabele en één of meer onafhankelijke variabelen. De regressie-analyse wordt onder andere veel toegepast in de economische wetenschappen, bijvoorbeeld om de volgende vragen te beantwoorden:

• In hoeverre is de verkoop van een product afhankelijk van het •

prijsniveau? In hoeverre is de verkoop van een product afhankelijk van het advertentiebudget, de prijs en de verkoopactiviteiten?

In het geval van modelling worden de verkopen met de advertentieactiviteiten in relatie gebracht. Daarmee worden de verkopen als resultaat van alle advertentieactiviteiten gemodelleerd.

6


De formule luidt als volgt:

(1) yi= b0 + ∑k∈Kbk * xk,i + ei

waarbij: yi:

De waarde van de i-observatie voor de afhankelijke variabele, bijvoorbeeld verkopen

x(k,i): De waarde van de (i) observatie voor de (k) onafhankelijke variabele, bijvoorbeeld clicks op SEA Adwords of clicks op een display banner b0:

Constante van de regressiefunctie, bijvoorbeeld verkopen die zonder reclame zijn gegenereerd

bk:

Regressie-coëfficiënt die de invloed van de (k) onafhankelijke variabele bepaalt. Bijvoorbeeld, hoe sterk is de invloed van SEA Adwords-campagnes op de totale verkopen

ei:

Residu van de (i) observatie

I: K:

Index van de observaties Index van de variabelen

Om een regressie-analyse uit te voeren, moeten de waarden van de afhankelijke Yi, evenals de onafhankelijke variabelen X k,i beschikbaar zijn. Zonder deze waarden is een regressie-analyse niet mogelijk. Alle andere waarden, zoals de constante in de regressieformule b0, de regressiecoëfficiënt bk (k ∈ K) en de residuen e i (i ∈ I), worden geschat.

7


Voor de schatting van de regressiefunctie wordt gebruik gemaakt van complexe mathematische algoritmen. Vandaar dat krachtige statistische programma’s worden ingezet om de functionele relatie in te kunnen schatten. Als alle gegevens voorhanden zijn, dan kunnen ze in het programma ingelezen en geanalyseerd worden. Uit het resultaat van de regressie-analyse kunnen de relaties worden afgeleid en geïnterpreteerd. De uitdaging zit hem niet zozeer in de schatting van de functie (die door het programma automatisch wordt uitgevoerd) en de interpretatie van het resultaat, maar voornamelijk in het gehele voorwerk. Daaronder vallen:

• het opstellen van de hypothesen • de selectie van een schattingsmethodiek • het verzamelen van gegevens • de dataverwerking In het volgende hoofdstuk wordt door middel van een klantcase geïllustreerd hoe door modelling wordt aangetoond dat de verkoop, bij gelijktijdige daling van de marketingratio, stijgt.

8


6. EMPIRISCH BEWIJS Al sinds het begin van 2009 voert QUISMA alle online marketing- en sales-activiteiten uit van een toonaangevende online modewinkel. De diensten omvatten onder andere de complete mediaplanning, inclusief de allocatie van het marketingbudget. QUISMA maakt voor de toewijzing van de budgetten gebruik van modelling. Hierbij wordt de verkoop als resultaat van de klantenactiviteiten gemodelleerd. De klantactiviteiten omvatten de investeringen in de verschillende kanalen. De kanalen zijn affiliate marketing, display advertising, retargeting, zoekmachine-advertising en zoekmachineoptimalisatie. QUISMA heeft voor een optimale allocatie van het budget zowel de performance van de individuele kanalen als ook de invloed van ieder kanaal op de gezamenlijke performance onderzocht. Deze aanpak maakt het mogelijk om alle gebruikersactiviteiten mee te nemen en crossmediale effecten tussen de kanalen te herkennen. In de periode januari 2009 tot juni 2011 zijn de gegevens verzameld. Op basis van deze resultaten wordt het budget bij nagenoeg constante omvang voor de laatste twee kwartalen van 2010 opnieuw verdeeld en met de laatste twee kwartalen van 2009 vergeleken.

Budgetallocatie in de uitgangssituatie: Affiliate Marketing

15%

Retargeting

5%

SEA

50%

SEO

10%

budgetallocatie in de uitgangssituatie K3-K4 2009. Bron: QUISMA

Display Advertising

20%

9


In het fiscale jaar 2009 wordt de helft van het budget op het gebied van SEA ge誰nvesteerd. Met als doel om de awareness te laten stijgen, wordt vooral in algemene keywords ge誰nvesteerd. De andere advertentiekanalen, zoals SEO en retargeting spelen een bijrol. De focus op het SEA-kanaal verslechtert de marketingratio. Budgetallocatie op basis van modelling: Affiliate Marketing

15%

Retargeting

5%

SEA

38%

SEO

12% budgetallocatie op basis van modelling K3-K4 2010. Bron: QUISMA

Display Advertising

30%

Modelling wijst uit dat het kanaal display advertising de verkoop in anderen kanalen stimuleert, waarvan in het bijzonder de kanalen retargeting, SEA en SEO profiteren. Door de ge誰dentificeerde cross over-effecten wordt het budget ten gunste van display advertising herverdeeld en het SEA-budget aanzienlijk gereduceerd. De resultaten zijn opmerkelijk; hoewel behalve voor display advertising (in sterke mate verhoogd) en SEO (marginaal verhoogd), de budgetten in alle kanalen worden gereduceerd, zijn de bereikte verkopen niet afgenomen. Sterker nog, een grotere investering in display advertising stimuleert juist de verkoop via de kanalen SEO en retargeting.

10


Verkopen

10.000 7.500 5.000 2.500 0

9,326

SEA

3,206

DisplayAdvertising

3,261

SEO

1,362

Retargeting

1,456

verkopen K3-K4 2009. Bron: QUISMA

AffiliateMarketing

Verkopen

10.000 7.500 5.000 2.500 0

9,312

SEA

3,455

DisplayAdvertising

6,191

SEO

2,695

Retargeting

1,425

AffiliateMarketing

11

verkopen K3-K4 2010. Bron: QUISMA


Bij een vergelijking van de laatste twee kwartalen van 2009 en 2010 is vast te stellen dat de verkoop bij bijna constante budgetten met 24% is gestegen, terwijl de marketingratio met 43% is gedaald.

Verkopen

30.000

+24%

20.000 10.000

18,611

23,078

verkoopstijging. Bron: QUISMA

0 Sales 2010 Q3-Q4

Sales 2009 Q3-Q4

Marketingratio

15%

-43%

10% 5%

13.13%

7.50% daling marketingratio. Bron: QUISMA

0 MR 2009 Q3-Q4

MR 2010 Q3-Q4

12


7. CONCLUSIE Een efficiĂŤnte toewijzing van het advertentiebudget over verschillende online kanalen is vooral essentieel voor klanten die hoge bedragen in online advertising investeren. Hierbij is aangetoond dat de toewijzing op basis van technologische oplossingen niet optimaal is, aangezien veel ondernemingen gelijktijdig investeren in zowel online als offline advertentiemogelijkheden en de huidige technologische oplossingen alle offline advertentie-inspanningen buiten beschouwing laten. Bovendien zorgt het verwijderen van cookies, het gebruik van meerdere apparaten en tracking door verschillende bureaus voor een vertroebeld beeld van de customer journey. Modelling berekent daarentegen de bijdrage van elk individueel kanaal bij het genereren van verkopen. Individuele paden worden niet gesimuleerd. Het draait om het vaststellen van relaties en het berekenen van de bijdrage van elke individueel kanaal (online en offline) en alle externe factoren. Deze uitgebreide analyse is een neutrale basis voor een optimale budgetallocatie, omdat de feitelijke verkopen met alle verzamelde gegevens ten aanzien van de advertentieactiviteiten in een direct causaal verband worden gebracht. Het resultaat is een exacte weergave van de bijdrage van elk individueel kanaal.

Het is duidelijk: „modelling vormt de toekomst van de customer journey-analyse.“

13


Amsterdam M端nchen Dusseldorf Frankfurt Wenen Zurich Londen Madrid Milaan

Warschau Parijs Istanbul Moskou Brussel Dubai Praag Bratislava

Creating Value & Performance in Digital QUISMA Karperstraat 10 NL-1075 KZ Amsterdam +31 (0)20 5757-771 infonl@quisma.com

BLOG

FACEBOOK

TWITTER


QUISMA Whitepaper Customer Journey